摘要
随着人们安全意识的逐步提高，基于视频监控的运动人体异常行为识别技术得到了全社会的广泛关注。然而，已有的人体异常行为识别方法计算复杂度高、模型泛化性差，且很难对其进行准确识别。所以，对视频中的人体异常行为识别方法的研究具有重要意义。 为了充分利用视频中的有效信息，提高复杂场景下的人体异常行为识别率，通过研究常用的目标检测算法，基于混合高斯模型，提出一种改进的目标检测方法，采用中值法初始化背景模型，建立新的权值更新规则，并结合帧间差分法，检测出清晰的前景运动目标轮廓，并进一步提取出人体运动关键区域；采用Farneback稠密光流算法计算关键区域的光流值，获取时空信息。通过分析基于深度学习的行为分类模型，结合卷积神经网络(CNN)和长短时记忆网络(LSTM)，建立一种基于Dropout机制的CNN-LSTM混合双流网络模型。输入视频序列运动关键区域的原始图像和叠加的光流图像，对时空信息中的动、静态特征和时序信息进行学习。采用加权融合的方式对两路网络的Softmax输出进行加权计算，得到最终的分类结果。在行为分类的基础上实现对视频中人体异常行为的识别，并利用测试样本对改进的双流模型进行测试分析。 测试结果表明，运用改进的双流网络模型对测试集上的行为分类准确率达到了91.2%，其中异常行为的识别率为92%，相较于文中对比的三种模型，分别提高了6%、8.3%、3.4%，说明了本文改进的模型具有较好的识别效果，为人体异常行为识别研究提供了一定的理论参考。
NETL